CN112329547A - 一种数据处理方法及装置 - Google Patents

Abstract

本说明书公开了一种数据处理方法及装置，可先确定一帧待处理的激光点云，以及目标物体对应的点云数据。之后，根据采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系，以及采集该待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在该待处理的激光点云中的位置，最后，将该目标物体对应的点云数据添加至待处理的激光点云对应的位置处，并将添加后的激光点云，作为训练分类模型的训练样本。通过将预设的标注物体中的目标物体的点云数据，按照采集时的相对位姿关系，添加至待处理的激光点云中，使组合得到的激光点云中新增了目标物体的点云数据，提高了训练样本的丰富度。

Description

一种数据处理方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种数据处理方法及装置。

背景技术

通常无人驾驶设备在行驶过程中，需要实时检测周围环境中的行人以及车辆等移动物体，以进行避障行驶。具体的，该无人驾驶设备可通过搭载的激光雷达实时采集周围环境中的激光点云信息，并将采集到的激光点云输入预先训练的分类模型中，确定周围环境中的行人以及车辆等，以进行避障。

其中，在训练该分类模型时，通常由人工预先对历史上采集的若干帧激光点云进行标注，即，在各帧激光点云中以3D标注框的方式框出行人以及车辆等，并将已标注的各帧激光点云作为训练样本训练该分类模型。但是，人工标注各帧激光点云中的行人以及车辆等移动物体的信息，需要花费大量的人工成本。

发明内容

本说明书实施例提供一种数据处理方法及装置，用于部分解决现有技术中存在的上述问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种数据处理方法，包括：

确定一帧待处理的激光点云；

从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据，其中，所述标注物体为若干帧激光点云中标注的环境物体，所述标注物体对应的点云数据是从已标注的激光点云中提取出的；

根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置；

根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

可选地，各已标注的激光点云包括所述待处理的激光点云，或者，各已标注的激光点云不包括所述待处理的激光点云。

可选地，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

从所述待处理的激光点云中确定地面点云数据集；

根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面；

根据所述目标物体对应的点云数据在所述待处理的激光点云中的位置，确定所述目标物体在所述地面上的投影区域；

当所述投影区域中不包含所述地面点云数据集中的激光点时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，并更新所述目标物体对应的点云数据在所述待处理的激光点云中的位置，重新确定所述目标物体在所述地面上的投影区域，直至所述投影区域中包含所述地面点云数据集中的激光点为止。

可选地，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

从所述待处理的激光点云中确定地面点云数据集，并根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面；

根据所述目标物体对应的点云数据以及所述地面点云数据集，确定所述目标物体距离所述地面的距离；

根据确定出的距离，将所述目标物体对应的点云数据调整至所述地面。

可选地，所述待处理的激光点云中包含若干环境物体；

将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

根据所述目标物体对应的点云数据以及所述待处理的激光点云中的环境物体对应的点云数据，判断所述目标物体是否与所述待处理的激光点云中的任一环境物体有重合区域；

当确定所述目标物体与所述待处理的激光点云中的环境物体有重合区域时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，直至所述目标物体与所述待处理的激光点云中的任一环境物体没有重合区域为止。

可选地，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

根据采集所述待处理的激光点云时采集设备的位姿、所述目标物体的点云数据以及所述待处理的激光点云的点云数据，确定所述目标物体上被所述待处理的激光点云遮挡的激光点以及所述待处理的激光点云中被所述目标物体遮挡的激光点；

从添加后的激光点云中删除，所述目标物体上被遮挡的激光点以及被所述目标物体遮挡的激光点，并更新所述添加后的激光点云。

可选地，所述目标物体为多个；

所述方法还包括：

依次针对每个目标物体，确定该目标物体对应的点云数据在所述待处理的激光点云中的位置；

根据各目标物体对应的点云数据在所述待处理的激光点云中的位置，将各目标物体对应的点云数据添加至所述待处理的激光点云中。

本说明书提供了一种数据处理装置，包括：

第一确定模块，确定一帧待处理的激光点云；

第二确定模块，从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据，其中，所述标注物体为若干帧激光点云中标注的环境物体，所述标注物体对应的点云数据是从已标注的激光点云中提取出的；

第三确定模块，根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置；

添加模块，根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据处理方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述数据处理方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书中，可先确定一帧待处理的激光点云，并从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据。之后，根据采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系，以及采集该待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在该待处理的激光点云中的位置，最后，将该目标物体对应的点云数据添加至待处理的激光点云对应的位置处，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。通过将预设的标注物体中的目标物体的点云数据，按照采集时的相对位姿关系，添加至待处理的激光点云中，使组合得到的激光点云中新增了目标物体的点云数据，提高了训练样本的丰富度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的一种数据处理方法的流程示意图；

图2为本说明书实施例提供的已标注的激光点云的示意图；

图3为本说明书实施例提供的确定地面点云数据集的示意图；

图4为本说明书实施例提供的一种添加目标物体的示意图；

图5为本说明书实施例提供的一种添加目标物体的示意图；

图6为本说明书实施例提供的一种添加目标物体的示意图；

图7为本说明书实施例提供的一种数据处理装置的结构示意图；

图8为本说明书实施例提供的实现数据处理方法的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的一种数据处理方法的流程示意图，具体可包括以下步骤：

S100：确定一帧待处理的激光点云。

通常无人驾驶设备在行驶过程中，除按照电子地图中的导航路线行驶外，还需实时识别周围环境中的行人、车辆等动态障碍物的障碍物信息，以进行避障行驶。其中，无人驾驶设备在识别周围环境中动态障碍物的障碍物信息时，可通过自身搭载的激光雷达采集周围环境中的激光点云，并将采集到的激光点云数据发送至预先训练的分类模型中，以识别该激光点云数据中的行人以及车辆信息。

在训练上述分类模型时，需要人工预先以3D标注框框选的方式，在各帧激光点云中标注出行人以及车辆等，并将标注的若干帧激光点云作为训练样本，用于训练该分类模型，以通过该分类模型识别出激光点云中的行人以及车辆。

但由于人工对各帧激光点云中的行人以及车辆进行标注，需要耗费大量的时间以及人力成本，因此本说明书提出一种数据处理方法，通过向已采集的激光点云中添加预先标注的行人以及车辆等标注物体的方式，组合成为新的激光点云数据，以使用组合出的激光点云数据，作为训练样本训练分类模型。

于是，在本说明书一个或多个实施例中，可先确定一帧待处理的激光点云，该待处理的激光点云即为后续待添加标注物体的激光点云。其中，为了减少人工标注的成本以及时间，该待处理的激光点云可以是已采集的不包含标注物体的激光点云，也可以是已采集的已标注有标注物体的激光点云，本说明书对此不做限制，可根据需要设置。

需要说明的是，本说明书提供的数据处理方法，可由用于组合激光点云数据集的服务器执行，该服务器可以是单个的服务器，也可是多个服务器组成的系统，例如：分布式服务器等，本说明书对此不做限制，可根据需要设置。

S102：从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据。

在本说明书一个或多个实施例中，当通过上述步骤S100确定出待处理的激光点云后，便可确定向该待处理的激光点云中添加的目标物体的点云数据，以通过后续步骤将待添加的目标物体添加至该待处理的激光点云中，组合成为新的激光点云数据。

具体的，该服务器可从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据。其中，预设的各标注物体对应的点云数据是从各帧已标注的激光点云中提取出来的，每帧激光点云由采集到的各环境物体对应的点云数据组成。即，将各已标注的若干帧激光点云中标注的各环境物体，作为各标注物体，标注物体至少包含行人、车辆以及建筑物等环境物体中的一种或几种。各已标注的激光点云可以包括该待处理的激光点云，也可以不包括该待处理的激光点云。当已标注的激光点云包括该待处理的激光点云时，则可以从该待处理的激光点云中确定标注物体作为目标物体，并将确定出的目标物体添加至该待处理的激光点云中。

图2为已标注的激光点云的示意图。对激光点云数据集进行标注，实际上是以3D标注框框选的方式，标注出每帧激光点云中的行人、车辆以及建筑物等一种或多种环境物体，如图2所示，图2中示例性的以标注物体为行人以及车辆为例进行说明，以四角星表示采集到的激光点，椭圆表示采集到的一帧激光点云的范围，图中以3D标注框的方式标注出了行人以及车辆，行人标注框中包含行人上的激光点，车辆标注框中包含车辆上的激光点，除车辆以及行人上的激光点外，位于椭圆内部的其它激光点为地面上的激光点。图2中只是示例性的表示，实际采集到的激光点云中只包含激光点，而不包含车辆以及行人等实际环境物体，且包含激光点云的数量较为稠密。

进一步的，在确定目标物体对应的点云数据时，也可根据模型训练的需求，设置需要从预设的各标注物体中确定哪些物体作为目标物体。例如：当需要分类模型能够更准确的识别激光点云中的车辆时，可从预设的各标注物体中确定车辆，作为目标物体。当需要分类模型能够更准确的识别激光点云中的行人时，可从预设的各标注物体中确定行人，作为目标物体。

当然，也可针对每个待处理的激光点云，从预设的各标注物体中确定不同的目标物体，作为该待处理的激光点云对应的目标物体，以向该待处理的激光点云中添加。

更进一步的，在从预设的标注物体的点云数据中确定目标物体的点云数据时，本说明书对确定出的目标物体的数量不做限制，具体可根据需要设置。当向该待处理的激光点云中仅添加一个目标物体时，可随机从预设的各标注物体中确定一个目标物体。当向该待处理的激光点云中仅添加多个目标物体时，可先对预设的各标注物体进行任意组合，确定各组合中包含的各目标物体，并从各组合中随机确定一个组合进行添加。为方便描述，后续以向待处理的激光点云中添加一个目标物体为例进行说明。

S104：根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置。

在本说明书一个或多个实施例中，当通过上述步骤S100以及步骤S102确定出待处理的激光点云以及待添加的目标物体的点云数据后，便可将待添加的目标物体添加至该待处理的激光点云中。

由于在采集激光点云时，通常是以采集设备的位置为原点，确定该激光点云中各激光点在以该采集设备为原点的坐标系中的坐标。因此在本说明书中，在向该待处理的激光点云中添加目标物体的点云数据时，具体的，该服务器可先确定采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系，以及确定采集该待处理的激光点云时采集设备的位姿。之后，按照确定出的相对位姿关系，确定将该目标物体的点云数据添加至以采集该待处理的激光点云时采集设备为原点的坐标系中时，该目标物体对应的点云数据在该待处理的激光点云中的位置。

S106：根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

在本说明书一个或多个实施例中，当确定出待添加的目标物体在该待处理的激光点云中位置时，便可将该目标物体对应的点云数据添加至该待处理的激光点云中的对应位置处，组合成为新的激光点云数据。

具体的，该服务器可根据确定出的该目标物体在该待处理的激光点云中的位置，将该目标物体对应的点云数据添加至待处理的激光点云中，作为组合得到的新的激光点云数据。并将组合得到的激光点云数据，作为训练分类模型的训练样本，进行模型训练，以使无人驾驶设备可通过该训练完成的分类模型，识别采集的周围环境的激光点云中的目标物体。

其中，由于采集目标物体对应的点云数据时，采集设备仅能采集到的目标物体面向采集设备一侧的激光点，背向一侧的激光点并未采集到，因此在将该目标物体对应的点云数据添加至待处理的激光点云中时，也需要按照对应的位姿关系，使得该目标物体对应的点云数据位于面向采集该待处理的激光点云的采集设备的一侧，以便确定出更符合实际情况的激光点云，作为训练样本。

基于图1所示的数据处理方法，可先确定一帧待处理的激光点云，并从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据。之后，根据采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系，以及采集该待处理的激光点云时采集设备的位姿，确定该目标物体对应的点云数据在该待处理的激光点云中的位置，最后，将该目标物体对应的点云数据添加至待处理的激光点云对应的位置处，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。通过将预设的标注物体中的目标物体的点云数据，按照采集时的相对位姿关系，添加至待处理的激光点云中，使组合得到的激光点云中增加了目标物体的点云数据，提高了训练样本的丰富度。

在本说明书步骤S106中，当待处理的激光点云为已标注的激光点云，则在向该待处理的激光点云中添加目标物体的激光点云数据时，考虑到物体在实际环境中的位置，需要将该目标物体的点云数据添加到待处理的激光点云中地面的空地上，即，不与标注物体位置相冲突的地面上。

因此，在本说明书中，将添加后的激光点云作为训练分类模型的训练样本之前，该服务器还可确定该目标物体是否添加至该待处理的激光点云中地面的空地上。其中，地面中的空地上包含该待处理的激光点云中地面上的激光点，地面上的非空地区域(环境物体所在的地面区域，如建筑物的占地区域)中并不包含地面上的激光点。

具体的，该服务器可先从该待处理的激光点云中确定地面点云数据集，并根据确定出的地面点云数据集，确定该待处理的激光点云表征的地面，其中，该地面为地面上的激光点所在的平面，包含空地以及非空地区域。之后，根据该目标物体对应的点云数据在该待处理的激光点云中的位置，确定该目标物体在该地面上的投影区域。当该投影区域中不包含地面点云数据集中的激光点时，表明该目标物体不位于空地上。于是，可以将采集该待处理的激光点云的采集设备作为中心，按照预设角度步长，旋转该目标物体对应的点云数据，并更新该目标物体对应的点云数据在该待处理的激光点云中的位置，重新确定该目标物体在地面上的投影区域，直至该投影区域中包含地面点云数据集中的激光点为止。该预设的角度步长可根据需要设置，本说明书对此不做限制。

同理，由于采集目标物体对应的点云数据时，采集设备仅能采集到的目标物体面向采集设备一侧的激光点，而背向一侧的激光点并未采集到。因此在旋转该目标物体对应的点云数据时，需要保持该目标物体上包含激光点的一侧面向该采集设备，并以该采集设备作为中心，按照预设角度步长进行旋转。

其中，在从该待处理的激光点云中确定地面点云数据集时，可采用地面分割的方法，确定地面上激光点的点云数据作为地面点云数据，其它点云数据作为非地面点云数据。继续上述图2所示的一帧激光点云为例，图3中的四角星表示激光点，灰色区域中各激光点组成该激光点云的地面点云数据集，其中，图3中灰色区域表示空地区域，各四边形对应的白色区域表示非空地区域。

图4为将目标物体对应的点云数据旋转后，添加至该待处理的激光点云中的示意图，图4中椭圆表示采集的激光点云的范围，椭圆中心的三角形表示采集设备，圆柱表示采集设备采集激光点云时所处的高度，采集设备在采集该待处理的激光点云时，距离地面的高度为2m。在图4的上图中，将目标物体(行人)对应的点云数据添加至该待处理的激光点云中的A位置，且行人距离采集设备所在位置的水平距离为a，该行人对应在地面上的投影区域为行人框底部的区域S1，图中地面上的S2区域是该待处理的激光点云中的建筑物所在的地面区域，为便于说明，建筑物在图4中并未画出，只是示例性的以S2区域表示建筑物所在的地面区域，即，非空地区域。由于该行人对应在地面上的投影区域中并不包含地面上的激光点，认为该行人并未处于该待处理的激光点云中的空地区域中，于是可按照预设的旋转方向以及预设角度步长，旋转该行人对应的点云数据，如图4中下图所示，将该行人对应的点云数据从该待处理的激光点云中的A位置旋转至B位置，此时该行人对应在地面上的投影区域为S3区域，该S3区域中包含有地面上的激光点，可认为已经将该行人添加该激光点云的地面的空地区域中。

进一步的，在进行地面分割时，可采用随机抽样一致算法(Random SampleConsensus，RANSAC)，先从该待处理的激光点云中确定任意三个激光点组成的平面。之后，分别确定该待处理的激光点云中其它激光点与该平面的距离，并确定距离小于第一预设阈值的激光点，作为该平面中的激光点。最后，将包含激光点数量最多的平面作为地面，并将该平面中的激光点，作为地面点云数据集，将该帧激光点云中除地面点云数据集的其它激光点，作为非地面点云数据集。其中，该第一预设阈值可根据需要设置，本说明书对此不做限制。

更进一步的，对该帧激光点云进行地面分割的方式有很多，例如：法向量分割、水平面校准以及栅格高度差分割方法等，本说明书对此不做限制，只要能够从该帧激光点云中分割出地面点云数据集即可，具体可根据需要设置。

在本说明书中，由于目标物体通常以3D标注框的方式从已标注的激光点云中框选出来，因此为了减少人工标注，在向该待处理的激光点云添加激光点云时，通常将该目标物体的标注框添加至该待处理的激光点云中，该目标物体的标注框中包含该目标物体对应的点云数据。则在向地面投影，确定目标物体的投影区域时，可按照该目标物体的标注框的大小，向地面投影确定投影区域。

在本说明书步骤S106中，由于激光点云中各激光点的点云数据是以采集设备为原点确定的，当采集目标物体的点云数据的采集设备与采集该待处理的激光点云的采集设备所处的高度不相同时，则确定出的各激光点的位置坐标也存在差异。则将目标物体添加至该待处理的激光点云中时，可能悬空放置。

如图5所示，假设待添加的目标物体为行人，图5上方的图表示目标物体所在的激光点云，图5下方的图表示该待处理的激光点云，图中椭圆表示采集的激光点云的范围，椭圆中心的三角形表示采集设备，圆柱表示采集设备采集激光点云时所处的高度，采集设备在采集目标物体所在激光点云时，距离地面的高度为2m，在采集待处理的激光点云时，距离地面的高度为3m，图中四角星表示采集的激光点，则根据采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系以及采集该待处理的激光点云时采集设备的位姿，将该目标物体从图5中上图移动至该下图时，则可确定该目标物体位于该到处理的激光点云中距离地面1m的位置。

因此，在将添加后的激光点云，作为训练分类模型的训练样本之前，该服务器可先从该待处理的激光点云中确定地面点云数据集，并根据确定出的地面点云数据集，确定该待处理的激光点云表征的地面，其中，确定地面点云数据集的方法在上述进行了详细的阐述，本说明书在此不再赘述。之后，根据该目标物体对应的点云数据以及该地面点云数据集中包含的各地面激光点的点云数据，确定该目标物体距离地面的高度。最后，根据确定出的距离，将该目标物体对应的点云数据调整至地面。

其中，在根据该目标物体对应的点云数据以及该地面点云数据集中包含的各地面激光点的点云数据，确定该目标物体距离地面的高度时，可先确定该目标物体对应的点云数据中位于最底部的激光点的坐标，再根据该激光点的坐标与各地面激光点中任一激光点的坐标，确定该目标物体距离地面的高度。或者也可根据该激光点的坐标与各地面激光点的坐标的平均值，确定该目标物体距离地面的高度。本说明书对确定目标物体距离地面的高度的方法不做限制，可根据需要设置。

进一步的，由于采集的激光点云较为稀疏，采集到的目标物体上的激光点并不一定为目标物体与地面相交的位置的激光点，因此当目标物体距离地面的高度小于第二预设阈值时，可认为该目标物体位于地面上，无需进行移动调整。其中，该第二预设阈值可根据需要设置，本说明书对此不做限制。

在本说明书步骤S106中，当待处理的激光点云为已标注的激光点云，即待处理的激光点云中包含标注物体对应的点云数据，则向该待处理的激光点云中添加目标物体的激光点云数据时，考虑到该待处理的激光点云对应的实际环境，该目标物体不能添加到该待处理的激光点云中的标注物体对应的非空地区域上。

因此，在本说明书中，将添加后的激光点云作为训练分类模型的训练样本之前，该服务器可根据该目标物体对应的点云数据以及该待处理的激光点云中的环境物体对应的点云数据，判断该目标物体是否与该待处理的激光点云中的任一环境物体有重合区域。当该目标物体与该待处理的激光点云中的环境物体有重合区域时，则可调整该目标物体对应的点云数据在该待处理的激光点云中的位置，以采集该待处理的激光点云的采集设备为中心，按照预设角度步长，旋转该目标物体对应的点云数据，直至该目标物体与该待处理的激光点云中的任一环境物体没有重合区域为止。其中，环境物体可以与标注物体相同，也可以不同，预设角度步长具体可根据需要设置，本说明书对此不做限制。

当然，在本说明书一种实施例中，该服务器也可先通过投影区域中是否包含地面上的激光点，当确定投影区域中包含地面上的激光点时，根据该目标物体对应的点云数据以及地面点云数据集，确定该目标物体距离地面的高度，并将该目标物体调整至地面上。之后，由于投影区域中可能包含空地区域以及非空地区域，因此还可进一步判断该目标物体是否与待处理的激光点云中任一环境物体有重合区域，当该目标物体与任一环境物体均没有重合区域时，便可将添加后的激光点云作为训练样本，用于训练分类模型。

需要说明的是，采用上述方法确定训练样本，无需对采集目标物体对应的点云数据的采集设备，以及采集该待处理的激光点云的采集设备的位姿进行限制，具有通用性。

在本说明书另一种实施例中，该服务器也可先通过投影区域中是否包含地面上的激光点，当确定投影区域中包含地面上的激光点时，根据该目标物体对应的点云数据以及地面点云数据集，确定该目标物体距离地面的高度，并将该目标物体调整至地面上。

如图6所示，图6中椭圆中心的三角形表示采集设备，用于采集激光点云，圆柱表示该采集设备距离地面的高度。图中椭圆形区域表示该待处理的激光点云的范围，灰色区域表示地面，四角星表示激光点，灰色区域上的各四角星表示地面上的各激光点。假设右后方的行人为目标物体，将该行人移动至该帧激光点云中时，该行人位于该帧激光点云的地面上空，可确定该行人在该帧激光点云上的投影区域如图中行人下方的虚线白色区域所示，由于该投影区域中包含地面上的激光点，因此可根据目标物体对应的点云数据以及地面点云数据集，确定该目标物体距离地面的高度，并将该行人调整至该待处理的激光点云的地面上的投影区域中。

在本说明书又一种实施例中，该服务器也可先根据该目标物体对应的点云数据以及地面点云数据集，确定该目标物体距离地面的高度，并将该目标物体调整至地面上。之后，可进一步判断该目标物体是否与待处理的激光点云中任一环境物体有重合区域，当该目标物体与任一环境物体均没有重合区域时，便可将添加后的激光点云作为训练样本，用于训练分类模型。

在本说明书其它实施例中，对上述确定投影区域内是否包含地面上的激光点、确定该目标物体距离地面的高度并调整至地面上，以及确定该目标物体是否与该待处理的激光点云中任一环境物体有重合区域中的一种或几种，可任意进行组合，确定出各种实施方式。本说明书对组合的方式不做限制，可根据需要设置。

在本说明书步骤S106中，直接将该目标物体添加至该待处理的激光点云中时，该目标物体可能遮挡了该帧激光点云中的其他环境物体，或被其它环境物体遮挡。因此将添加后的激光点云作为训练分类模型的训练样本之前，还需删除该目标物体上被其它环境物体遮挡的激光点以及删除该待处理的激光点云中被该目标物体遮挡的激光点。

具体的，该服务器可根据采集该待处理的激光点云时采集设备的位姿、该目标物体的点云数据以及该待处理的激光点云的点云数据，确定该目标物体上被该待处理的激光点云遮挡的激光点，以及该待处理的激光点云中被该目标物体遮挡的激光点，之后从该目标物体的点云数据中删除确定出的被遮挡的激光点，并更新添加后的激光点云。

其中，由于采集到的目标物体上激光点通常为目标物体上离散的若干点，而在实际环境中目标物体通常为实心物体，因此在确定该待处理的激光点云中被该目标物体遮挡的激光点时，可先根据该目标物体的点云数据，确定该目标物体的轮廓区域，之后，根据采集该待处理的激光点云时采集设备的位姿、该目标物体的轮廓区域以及该待处理的激光点云的点云数据，确定该待处理的激光点云中被该目标物体的轮廓区域遮挡的激光点。

同理，在确定该目标物体上被该待处理的激光点云遮挡的激光点时，也可先确定该待处理的激光点云中遮挡该目标物体的前景物体，并根据该前景物体的点云数据，确定该前景物体的轮廓区域。之后，根据采集该待处理的激光点云时采集设备的位姿、该目标物体的点云数据以及该待处理的激光点云中该前景物体的轮廓区域，确定该目标物体上被该待处理的激光点云遮挡的激光点。

此外，在本说明书中，当添加的目标物体的数量为多个时，该服务器可依次针对每个目标物体，按照上述步骤S104所述的方法，确定该目标物体在该待处理的激光点云中的位置，并根据确定出的各目标物体在该待处理的激光点云中的位置，将各目标物体添加至该待处理的激光点云中。

在本说明书中，当向该待处理的激光点云中添加多个目标物体时，还需根据确定出的各目标物体在该待处理的激光点云中的位置，确定各目标物体之间没有重合区域。在删除添加后的激光点云中被遮挡的激光点时，还需判断各目标物体之间是否被遮挡，并将确定出的各目标物体之间遮挡的激光点进行删除。

需要说明的是，采集设备在采集激光点云时，不同环境物体距离采集设备的距离不同，导致采集到的激光点的密度也有所差异。因此在本说明书中按照采集该目标物体对应的点云数据时采集设备与该目标物体的相对位姿关系，将目标物体对应的激光点云移动至该待处理的激光点云中，即，将目标物体对应的点云数据移动至该待处理的激光点云中与采集设备距离相同的位置。可避免将目标物体移动至该待处理的激光点云中任一位置，导致激光点密度分布不符合真实的实际情况，使得以移动至任一位置的激光点云作为训练样本进行模型训练时，影响模型的训练效果。

另外，基于本说明书提供的数据处理方法得到的激光点云数据，可作为训练样本，用于训练分类模型。其中，该分类模型可应用于无人驾驶设备的配送过程中，当无人驾驶设备应用于配送领域时，服务器可预先通过该数据处理方法，得到若干激光点云的数据作为训练样本，用于训练分类模型，无人驾驶设备在行驶过程中，可采集周围环境中包含的激光点云，输入该分类模型，从而确定出周围环境中的目标物体，例如：行人以及车辆等，以使无人驾驶设备可进行避障行驶。具体可用于：如，使用无人驾驶设备进行快递、外卖等配送的场景中。

进一步地，在本说明书中，无人驾驶设备可包括：无人车、具有移动功能的机器人、智能车辆或具有无人驾驶功能的车辆等等，本说明书对此不做限制。

基于图1所示的数据处理方法，本说明书实施例还对应提供一种数据处理装置的结构示意图，如图7所示。

图7为本说明书实施例提供的一种数据处理装置的结构示意图，所述装置包括：

第一确定模块200，确定一帧待处理的激光点云；

第二确定模块202，从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据，其中，所述标注物体为若干帧激光点云中标注的环境物体，所述标注物体对应的点云数据是从已标注的激光点云中提取出的；

第三确定模块204，根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置；

添加模块206，根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

可选地，各已标注的激光点云包括所述待处理的激光点云，或者，各已标注的激光点云不包括所述待处理的激光点云。

可选地，所述添加模块206还用于，从所述待处理的激光点云中确定地面点云数据集，根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面，根据所述目标物体对应的点云数据在所述待处理的激光点云中的位置，确定所述目标物体在所述地面上的投影区域，当所述投影区域中不包含所述地面点云数据集中的激光点时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，并更新所述目标物体对应的点云数据在所述待处理的激光点云中的位置，重新确定所述目标物体在所述地面上的投影区域，直至所述投影区域中包含所述地面点云数据集中的激光点为止。

可选地，所述添加模块206还用于，从所述待处理的激光点云中确定地面点云数据集，并根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面，根据所述目标物体对应的点云数据以及所述地面点云数据集，确定所述目标物体距离所述地面的距离，根据确定出的距离，将所述目标物体对应的点云数据调整至所述地面。

可选地，所述待处理的激光点云中包含若干环境物体，所述添加模块206还用于，根据所述目标物体对应的点云数据以及所述待处理的激光点云中的环境物体对应的点云数据，判断所述目标物体是否与所述待处理的激光点云中的任一环境物体有重合区域，当确定所述目标物体与所述待处理的激光点云中的环境物体有重合区域时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，直至所述目标物体与所述待处理的激光点云中的任一环境物体没有重合区域为止。

可选地，所述添加模块206还用于，根据采集所述待处理的激光点云时采集设备的位姿、所述目标物体的点云数据以及所述待处理的激光点云的点云数据，确定所述目标物体上被所述待处理的激光点云遮挡的激光点以及所述待处理的激光点云中被所述目标物体遮挡的激光点，从添加后的激光点云中删除，所述目标物体上被遮挡的激光点以及被所述目标物体遮挡的激光点，并更新所述添加后的激光点云。

可选地，所述目标物体为多个，所述第三确定模块204以及所述添加模块206具体用于，依次针对每个目标物体，确定该目标物体对应的点云数据在所述待处理的激光点云中的位置，根据各目标物体对应的点云数据在所述待处理的激光点云中的位置，将各目标物体对应的点云数据添加至所述待处理的激光点云中。

本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的数据处理方法。

基于图1所示的数据处理方法，本说明书实施例还提出了图8所示的电子设备的示意结构图。如图8，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的数据处理方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

确定一帧待处理的激光点云；

从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据，其中，所述标注物体为若干帧激光点云中标注的环境物体，所述标注物体对应的点云数据是从已标注的激光点云中提取出的；

根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置；

根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

2.如权利要求1所述的方法，其特征在于，各已标注的激光点云包括所述待处理的激光点云，或者，各已标注的激光点云不包括所述待处理的激光点云。

3.如权利要求1所述的方法，其特征在于，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

从所述待处理的激光点云中确定地面点云数据集；

根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面；

根据所述目标物体对应的点云数据在所述待处理的激光点云中的位置，确定所述目标物体在所述地面上的投影区域；

当所述投影区域中不包含所述地面点云数据集中的激光点时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，并更新所述目标物体对应的点云数据在所述待处理的激光点云中的位置，重新确定所述目标物体在所述地面上的投影区域，直至所述投影区域中包含所述地面点云数据集中的激光点为止。

4.如权利要求1所述的方法，其特征在于，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

从所述待处理的激光点云中确定地面点云数据集，并根据确定出的地面点云数据集，确定所述待处理的激光点云表征的地面；

根据所述目标物体对应的点云数据以及所述地面点云数据集，确定所述目标物体距离所述地面的距离；

根据确定出的距离，将所述目标物体对应的点云数据调整至所述地面。

5.如权利要求1所述的方法，其特征在于，所述待处理的激光点云中包含若干环境物体；

将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

根据所述目标物体对应的点云数据以及所述待处理的激光点云中的环境物体对应的点云数据，判断所述目标物体是否与所述待处理的激光点云中的任一环境物体有重合区域；

当确定所述目标物体与所述待处理的激光点云中的环境物体有重合区域时，以采集所述待处理的激光点云的采集设备为中心，旋转所述目标物体对应的点云数据，直至所述目标物体与所述待处理的激光点云中的任一环境物体没有重合区域为止。

6.如权利要求1～5任一项所述的方法，其特征在于，将添加后的激光点云，作为训练分类模型的训练样本之前，所述方法还包括：

根据采集所述待处理的激光点云时采集设备的位姿、所述目标物体的点云数据以及所述待处理的激光点云的点云数据，确定所述目标物体上被所述待处理的激光点云遮挡的激光点以及所述待处理的激光点云中被所述目标物体遮挡的激光点；

从添加后的激光点云中删除，所述目标物体上被遮挡的激光点以及被所述目标物体遮挡的激光点，并更新所述添加后的激光点云。

7.如权利要求1所述的方法，其特征在于，所述目标物体为多个；

所述方法还包括：

依次针对每个目标物体，确定该目标物体对应的点云数据在所述待处理的激光点云中的位置；

根据各目标物体对应的点云数据在所述待处理的激光点云中的位置，将各目标物体对应的点云数据添加至所述待处理的激光点云中。

8.一种数据处理装置，其特征在于，包括：

第一确定模块，确定一帧待处理的激光点云；

第二确定模块，从预设的各标注物体对应的点云数据中确定目标物体对应的点云数据，其中，所述标注物体为若干帧激光点云中标注的环境物体，所述标注物体对应的点云数据是从已标注的激光点云中提取出的；

第三确定模块，根据采集所述目标物体对应的点云数据时采集设备与所述目标物体的相对位姿关系以及采集所述待处理的激光点云时采集设备的位姿，确定所述目标物体对应的点云数据在所述待处理的激光点云中的位置；

添加模块，根据所述目标物体在所述待处理的激光点云中的位置，将所述目标物体对应的点云数据添加至待处理的激光点云中，并将添加后的激光点云，作为训练分类模型的训练样本，以通过训练完成的分类模型识别激光点云中的目标物体。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法。

Images